全局平均池化

 

全局平均池化是在论文Network in Network中提出的，原文中全局平均池化的作用和优点：

思想：对于输出的每一个通道的特征图的所有像素计算一个平均值，经过全局平均池化之后就得到一个 维度=$C_{in}$=类别数 的特征向量，然后直接输入到softmax层

 

作用：代替全连接层，可接受任意尺寸的图像

 

优点：1）可以更好的将类别与最后一个卷积层的特征图对应起来（每一个通道对应一种类别，这样每一张特征图都可以看成是该类别对应的类别置信图）

2）降低参数量，全局平均池化层没有参数，可防止在该层过拟合

3）整合了全局空间信息，对于输入图片的spatial translation更加鲁棒

 

图解：

 

pytorch的实现：

pytorch中

没有专门的全局平均池化API，但是我们可以使用现有的pooling API实现这个效果

首先我们简单理解全局平均池化操作：
如果有一批特征图，其尺寸为 [ B, C, H, W], 经过全局平均池化之后，尺寸变为[B, C, 1, 1]。
也就是说，全局平均池化其实就是对每一个通道图所有像素值求平均值，然后得到一个新的1 * 1的通道图。

明白这个思路之后，我们就可以很容易实现全局平均池化了。

利用自适应平均池化就可以快速实现。或者自适应最大池化也可以，一样。

In [1]: import torch
 
In [2]: a = torch.rand([4,3,4,4])
 
In [3]: a.size()
Out[3]: torch.Size([4, 3, 4, 4])
 
In [4]: b = torch.nn.functional.adaptive_avg_pool2d(a, (1,1))  # 自适应池化，指定池化输出尺寸为 1 * 1
 
In [5]: b.size()
Out[5]: torch.Size([4, 3, 1, 1])

---------------------  
原文：https://blog.csdn.net/CVSvsvsvsvs/article/details/90495254